Presná definícia
Čo znamená viacramenný bandita?
Viacramenný bandita je sekvenčný problém voľby medzi akciami s neznámymi rozdeleniami okamžitej odmeny, bez stavových prechodov. Cieľom je minimalizovať kumulatívny regret pri súčasnom učení kvality ramien.
Skúsenosť a kontext
Ako sa pojem používa v praxi
Web vyberá z niekoľkých variantov tlačidla, no pred experimentom overí stabilitu populácie a okamžitosť odmeny. Výsledky hodnotí proti randomizovanej baseline.
Overiteľnosť
Odborné zdroje
Praktické odpovede
Často kladené otázky
Čo presne znamená viacramenný bandita?
Viacramenný bandita je sekvenčný problém voľby medzi akciami s neznámymi rozdeleniami okamžitej odmeny, bez stavových prechodov.
Kedy sa viacramenný bandita používa?
Web vyberá z niekoľkých variantov tlačidla, no pred experimentom overí stabilitu populácie a okamžitosť odmeny.
Od čoho treba viacramenný bandita odlíšiť?
MDP modeluje, ako akcia mení budúci stav; bandit rieši iba kontextovo rovnakú okamžitú voľbu.
Ako sa viacramenný bandita kontroluje?
Kontroluje sa definícia ramien, odmena, horizont, randomizácia, oneskorenie, cenzorovanie, ne-stacionarita a regret.
Aké obmedzenie má viacramenný bandita?
Ak akcia ovplyvňuje budúce správanie alebo používateľov, bezstavový bandit môže optimalizovať krátkozraký cieľ.